تخيل أنك تعلم روبوتاً فائق الذكاء التعرف على أشياء مختلفة، مهارة واحدة جديدة في كل مرة. أولاً، يتعلم تمييز القطط، ثم الكلاب، ثم الطيور. في عالم الذكاء الاصطناعي، يسمى هذا "التعلم المستمر". الحلم الكبير هو أن يستمر الروبوت في التعلم إلى الأبد دون نسيان الأشياء القديمة، تماماً كما يفعل البشر. لكن هناك عقبة: عندما يحاول الروبوت تعلم شيء جديد، غالباً ما يصاب بالارتباك وينسى الأشياء القديمة مؤقتاً. يسمي العلماء هذه الظاهرة "فجوة الاستقرار". إنها تشبه طالباً يبدأ للتو في المذاكرة لاختبار رياضيات جديد، وفجأة ينسى كيفية ضرب الأرقام التي أتقنها الأسبوع الماضي. يحدث هذا حتى لو كان لدى الروبوت إمكانية الوصول إلى جميع ملاحظاته القديمة ويتعلم كل شيء في وقت واحد. السؤال الذي يطرحه الباحثون هو: لماذا يحدث هذا الذعر المؤقت، وهل يمكننا إصلاح دماغ الروبوت ليبقى هادئاً ومستقراً أثناء التعلم؟

يقدم هذا البحث طريقة مبتكرة لتدريب هذه الروبوتات، مستوحاة من كيفية تعامل عقولنا مع المفاجأة. لاحظ المؤلفون، من جامعة نيوكاسل، أننا عندما نكون غير متأكدين أو متفاجئين بشيء جديد، فإن مادة كيميائية في أدمغتنا تسمى "النورادرينالين" تمنح عصبوناتنا "دفعة" مؤقتة. الأمر يشبه رفع مستوى صوت الراديو للحظة واحدة فقط لتتمكن من سماع إشارة خافتة بوضوح. قام الباحثون ببناء خوارزمية حاسوبية تحاكي هذه الحيلة البيولوجية. هم يسمونها "التعديل العصبي الديناميكي للكسب"، أو NGM-SGD اختصاراً. بدلاً من مجرد تغيير سرعة تعلم الروبوت، تغير هذه الطريقة مؤقتاً كيفية "إحساس" الروبوت بالبيانات التي يتعلمها. ومن خلال القيام بذلك، يمكن للروبوت التكيف بسرعة مع المهام الجديدة دون زعزعة ذاكرته للمهام القديمة. تشير الدراسة إلى أن هذا النهج يعمل بفعالية على تنعيم تلك الانخفاضات المخيفة في الأداء التي تحدث عادةً عندما ينتقل الروبوت من مهمة إلى أخرى، مما يجعل عملية التعلم أكثر استقراراً.

المشكلة: "ضباب الدماغ" لدى الروبوت

لفهم الحل، نحتاج أولاً إلى فهم الخلل. عندما يتعلم الذكاء الاصطناعي مهمة جديدة، فإنه عادة ما يصبح بارعاً جداً فيها. ولكن في اللحظة التي ينتقل فيها إلى المهمة الجديدة، غالباً ما يشهد أداؤه في المهمة القديمة هبوطاً حاداً. ليس الأمر أن الروبوت قد نسي كل شيء للأبد (وهذا يسمى "النسيان الكارثي"، وهو مشكلة مختلفة وأكثر ديمومة). بدلاً من ذلك، هو "ضباب دماغي" مؤقت. يصاب الروبوت بالحماس الشديد أو الارتباك بسبب البيانات الجديدة لدرجة أنه يتجاوز هدفه، مما يؤدي بالخطأ إلى إفساد المعرفة القديمة قبل أن يتمكن من الاستقرار مجدداً.

حتى أفضل الأدوات القياسية لتدريب الذكاء الاصطناعي، مثل أدوات "Adam" أو "Momentum-SGD" الشهيرة، تعاني من هذا. فهي تحاول تنعيم الأمور، لكنها لا تزال تتسبب في تعثر الروبوت عند خط نهاية مهمة ما وخط بداية المهمة التالية. أدرك مؤلفو هذا البحث أن المشكلة ليست فقط في ماذا يتعلم الروبوت، بل في كيفية تعلمه. أرادوا إيجاد طريقة تجعل الانتقال أكثر سلاسة، مثل سيارة تغير تروسها دون أن تجعل الركاب يهتزون بعنف.

الحل: "مقبض الصوت" في الدماغ

استلهم المؤلفون فكرتهم من الطبيعة. في أدمغتنا، يعمل مرسال كيميائي يسمى "النورادرينالين" كمقبض للتحكم في مستوى الصوت لعصبوناتنا. عندما نواجه شيئاً غير متوقع أو غير مؤكد، ينطلق هذا الكيميائي للعمل، ويرفع مؤقتاً "الكسب" (أو الحساسية) لعصبوناتنا. هذا لا يغير ما تستمع إليه العصبونات، ولكنه يجعل استجابتها للمعلومات الجديدة أقوى بكثير.

قام الباحثون بترجمة هذه الفكرة البيولوجية إلى قاعدة رياضية للذكاء الاصطناعي الخاص بهم. لقد أنشأوا نظاماً حيث تمتلك "عصبونات" الذكاء الاصطناعي مقبض كسب ديناميكي. عندما يواجه الذكاء الاصطناعي مهمة جديدة أو يشعر بعدم اليقين (والذي يقيسونه بمدى ارتباك الذكاء الاصطناعي بشأن توقعاته الخاصة)، يقوم النظام تلقائياً برفع مستوى الكسب.

إليكم الجزء السحري: رفع هذا الكسب يفعل شيئين في آن واحد:

1. يسرع التعلم: تماماً كما يساعدك رفع مستوى الصوت على سماع الهمس، فإن دفعة الكسب تساعد الذكاء الاصطناعي على تعلم المهمة الجديدة بشكل أسرع.
2. يسطح التضاريس: تخيل أن الذكاء الاصطناعي يحاول العثود إلى قاع وادٍ (الإجابة المثالية). عادةً، يكون للوادي جوانب شديدة الانحدار ومتعرجة. إذا اتخذ الذكاء الاصطناعي خطوة كبيرة، فقد يرتطم بالجانب ويفقد توازنه. تعمل دفعة الكسب فعلياً على "تسطيح" جوانب الوادي للحظة. هذا يسمح للذكاء الاصطناعي باتخاذ خطوة كبيرة وواثقة نحو الإجابة الجديدة دون الارتطام بالجدران وفقدان قبضته على الإجابة القديمة.

ما وجدوه: انتقالات أكثر سلاسة

اختبر الفريق طريقتهم الجديدة، التي أطلقوا عليها اسم NGM-SGD، مقابل الأدوات القياسية في عدة تحديات شهيرة للتعرف على الصور. استخدموا مجموعات بيانات مثل MNIST (الأرقام المكتوبة بخط اليد)، وCIFAR-10 (صور صغيرة لحيوانات وأشياء)، وmini-ImageNet (مجموعة أصعب من الصور). قاموا بإعداد الاختبارات بحيث يتعلم الذكاء الاصطناعي المهام واحدة تلو الأخرى، مثل تعلم التعرف على الأرقام 0-1، ثم 2-3، ثم 4-5، وهكذا.

كانت النتائج واضحة تماماً. عندما كانت الأدوات القياسية (مثل Adam أو Momentum-SGD) تنتقل بين المهام، كان دقة الذكاء الاصطناعي في المهمة القديمة ينخفض بشكل حاد — وأحياناً بنسبة كبيرة. كانت هذه هي "فجوة الاستقرار". ومع ذلك، مع طريقة NGM-SGD، كانت هذه الانخفاضات أقل بكثير، وظل الذكاء الاصطناعي أكثر استقراراً.

على سبيل المثال، في اختبار Split MNIST (تعلم الأرقام في مجموعات)، شهدت طريقة Momentum-SGD القياسية فجوة استقرار (انخفاض في دقة المهمة القديمة) بلغت حوالي 0.267. في المقابل، لم يكن لطريقة NGM-SGD سوى فجوة قدرها 0.017. هذا فرق هائل؛ لم يتعلم الذكاء الاصطناعي المهمة الجديدة فحسب، بل حافظ أيضاً على مهاراته القديمة بأمان أكبر أثناء عملية الانتقال.

كما نظروا أيضاً في Split CIFAR-10 وSplit mini-ImageNet. في هذه الاختبارات الأصعب، أظهرت الطرق القياسية فجوات بلغت 0.425 و0.409 على التوالي. نجحت طريقة NGM-SGD في تقليل هذه القيم إلى 0.134 و0.300. ورغم أن الفجوة لم تختفِ تماماً، إلا أنها كانت أصغر بكثير، مما يعني أن الروبوت كان أقل عرضة للارتباك والنسيان.

لماذا ينجح الأمر: الدماغ "السريع" و"البطيء"

يوضح البحث أن هذا ينجح لأن دفعة الكسب تخلق نظاماً "بمقياسين زمنيين"، على غرار كيفية امتلاك أدمغتنا لطرق سريعة وبطيئة للتعلم.

• الجزء البطيء: تتغير أوزان الذكاء الاصطناعي الأساسية (ذاكرته طويلة المدى) ببطء وثبات.
• الجزء السريع: تعمل دفعة الكسب كطبقة مؤقتة وسريعة. فهي تسمح للذكاء الاصطناعي بإجراء تعديلات كبيرة وسريعة للتعامل مع المهمة الجديدة دون تخريب الذاكرة المستقرة والبطيئة بشكل دائم.

بمجرد أن يعتاد الذكاء الاصطناعي على المهمة الجديدة وينخفض مستوى عدم اليقين، يتلاشى الكسب طبيعياً ويعود إلى وضعه الطبيعي. وهذا يضمن أن الذكاء الاصطناعي لن يبقى في حالة فرط حساسية للأبد، مما قد يجعله غير مستقر.

الحكم النهائي

يشير المؤلفون إلى أن هذه الطريقة تقدم طريقة جديدة للتفكير في تدريب الذكاء الاصطناعي. فبدلاً من مجرد محاولة إجبار الذكاء الاصطناعي على تذكر كل شيء بدقة، هم يقترحون تغيير "هندسة" عملية التعلم نفسها. من خلال استخدام "كسب" مستوحى بيولوجياً، يمكنهم جعل المسار بين المهام أكثر سلاسة.

من المهم ملاحظة أن هذه الدراسة أجريت في بيئة محكومة حيث يمكن للذكاء الاصطناعي رؤية جميع بياناته القديمة في وقت واحد (ما يسمى "التدريب المشترك"). تم القيام بذلك لإثبات أن فجوة الاستقرار هي مشكلة حقيقية في عملية التعلم نفسها، وليست مجرد نقص في الذاكرة. وتشير النتائج إلى أنه حتى مع وجود ذاكرة مثالية، فإن الطريقة التي نحدث بها دماغ الذكاء الاصطناعي أمر بالغ الأهمية. لم تجعل هذه الطريقة الذكاء الاصطناعي أكثر ذكاءً بشكل عام (أي لم تحصل على درجة نهائية أعلى من أفضل الطرق القياسية)، لكنها جعلت الرحلة أقل اضطراباً بكثير.

في العالم الحقيقي، حيث تحتاج الروبوتات وأنظمة الذكاء الاصطناعي إلى التعلم أثناء العمل دون الانهيار أو نسيان قواعد السلامة المهمة، يعد هذا النوع من الاستقرار أمراً حيوياً. تشير الورقة البحثية إلى أنه من خلال محاكة طريقة الدماغ في التعامل مع عدم اليقين، يمكننا بناء ذكاء اصطناعي يتعلم حِيلاً جديدة دون أن يفقد مهاراته القديمة.